查询扩展技术是通过在用户原始查询中添加或修改术语来改进搜索结果的方法。这些技术解决了用户搜索词汇与信息存储词汇多样性之间匹配的挑战。例如，搜索“vehicle”（车辆）的用户可能会错过使用“car”（汽车）或“automobile”（机动车）的文档。扩展通过包含同义词、相关术语或上下文相关的短语来弥合这一差距。常见方法包括同义词扩展、词干提取（将单词简化为词根形式）以及利用外部知识源（如本体论或用户行为数据）。目标是在保持准确性的同时提高召回率——找到更多相关文档。
一种广泛使用的方法是同义词扩展，搜索系统会将同义词附加到查询中。例如，查询“feline”（猫科动物）可以扩展为包含“cat”（猫）。Elasticsearch 等工具支持同义词列表用于此目的。另一种方法是伪相关反馈，系统假定初始排名前列的结果是相关的，并从中提取常用术语添加到查询中。例如，搜索“Python”在分析排名前列的结果后，可能会扩展为“Python programming language”（Python 编程语言）。词干提取将单词简化为词根（例如，“running”→“run”），以捕获变体。一些系统还利用 WordNet 等外部知识库来识别相关术语或层级关系（例如，根据上下文将“apple”扩展为包含“fruit”（水果）或“company”（公司））。
然而，查询扩展需要仔细实施。过度扩展可能会引入不相关的结果——例如，向关于“Python”（蛇）的查询中添加“animal”（动物）可能会出现不相关的编程内容。模棱两可的术语通常需要进行消歧，这可能涉及分析周围的术语或用户意图。开发人员应使用真实世界数据测试扩展规则，并在召回率和准确性之间取得平衡。结合使用多种技术，例如将同义词与用户特定的搜索历史结合使用，可以产生更好的结果。spaCy 或 NLTK 等库提供了 NLP 工具来自动化词干提取或实体识别，而 Solr 等搜索引擎提供内置的查询扩展功能。最终，技术的选择取决于领域、数据结构和用户需求。
